KR20210077464A

KR20210077464A - Method and system for detecting duplicated document using vector quantization

Info

Publication number: KR20210077464A
Application number: KR1020190169132A
Authority: KR
Inventors: 김성민; 한병훈
Original assignee: 네이버 주식회사
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2021-06-25
Also published as: EP3839764A1; JP2021096858A; US20210182479A1; US11550996B2; JP7112475B2; KR102432600B1

Abstract

Disclosed are a method and system for detecting a duplicate document using a vector quantization. The method for detecting the duplicate document according to one embodiment may comprise: a step of acquiring a vector representation for each of the documents included in a document set through a similarity model trained so as to output a vector representation for the documents based on a meaningful similarity between the documents; a step of generating a key implemented as a binary string by vector quantizing the vector expression; and a step of detecting a duplicate document among the documents included in the document set through the key. Therefore, the present invention is capable of determining whether or not there are duplicates between the documents.

Description

Duplicate document detection method and system using vector quantization {METHOD AND SYSTEM FOR DETECTING DUPLICATED DOCUMENT USING VECTOR QUANTIZATION}

아래의 설명은 벡터 양자화를 이용한 중복 문서 탐지 방법 및 시스템에 관한 것이다.The following description relates to a method and system for detecting duplicate documents using vector quantization.

큰 문서 집합 내에서 유사한 문서들을 군집화하고자 할 때, 종래에는 k-평균(k-means) 클러스터링과 같은 군집화 알고리즘을 수행하거나, 군집화 알고리즘과 동일한 역할을 하는 모델에 대한 학습을 수행하거나 또는 문서 내용에 대한 MD5(Message-Digest algorithm 5)와 같은 암호화 알고리즘을 이용한 해시 알고리즘을 수행한다. 예를 들어, 한국공개특허 제10-2010-0008466호는 중복 웹페이지 제거 장치 및 방법에 관한 것으로, 입력된 웹페이지의 내용에 포함된 상대주소를 절대주소로 변환하고, 절대주소로 변환된 절대주소 웹페이지의 해시값을 계산하고, 계산된 해시값이 해시값 리스트에 존재하는지 여부를 판단하고, 해당 해시값이 존재하지 않을 경우, 해시값을 해시값 리스트에 추가하고, 수집된 웹페이지를 웹페이지 저장부에 저장하는 방식으로 중복 웹페이지를 제거할 수 있음을 개시하고 있다.When trying to cluster similar documents within a large document set, conventionally, a clustering algorithm such as k-means clustering is performed, a model that plays the same role as the clustering algorithm is trained, or the document content is Hash algorithm using encryption algorithm such as MD5 (Message-Digest algorithm 5) is performed. For example, Korean Patent Application Laid-Open No. 10-2010-0008466 relates to an apparatus and method for removing duplicate web pages, which converts a relative address included in the content of an input web page into an absolute address, and converts an absolute address into an absolute address. Calculates the hash value of the address web page, determines whether the calculated hash value exists in the hash value list, and if the hash value does not exist, adds the hash value to the hash value list It is disclosed that duplicate web pages can be removed by storing them in a web page storage unit.

문서 군집화를 직접적으로 학습할 경우 문서의 수가 증가할수록 학습 시간이 증가한다는 단점을 가지며, k-means 클러스터링 등의 군집화 알고리즘은 학습 이후의 예측을 수행하는 경우에도 군집의 개수에 비례하는 계산 비용을 초래한다는 문제점이 있다. 또한, MD5와 같은 암호화 알고리즘은 많은 경우에 문서의 내용이 완전히 같을 경우에만 두 문서가 같은 키 값(해시값)을 갖도록 할 수 있기 때문에, 일부의 내용만 다르더라도 중복된 문서를 탐지하지 못한다는 문제점이 있다. Direct learning of document clustering has the disadvantage that the learning time increases as the number of documents increases, and clustering algorithms such as k-means clustering incur a computational cost proportional to the number of clusters even when prediction after learning is performed. There is a problem that In addition, in many cases, encryption algorithms such as MD5 can make two documents have the same key value (hash value) only if the contents of the documents are exactly the same, so even if only some contents are different, it is impossible to detect duplicate documents. There is a problem.

벡터 양자화에 기초하여 문서들간의 중복 여부를 빠르게 결정할 수 있는 중복 문서 탐지 방법 및 시스템을 제공한다.A duplicate document detection method and system capable of quickly determining whether documents are duplicated based on vector quantization are provided.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 중복 문서 탐지 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하는 단계를 포함하는 중복 문서 탐지 방법을 제공한다.A method for detecting duplicate documents of a computer device including at least one processor, wherein the at least one processor uses a similarity model trained to output a vector representation of documents based on semantic similarity between documents. obtaining a vector representation for each of the documents included in the set; generating, by the at least one processor, a key implemented as a binary string by vector quantizing the vector representation; and detecting, by the at least one processor, a duplicate document among documents included in the document set through the key.

일측에 따르면, 상기 벡터 표현은 N(상기 N은 2 이상의 자연수) 차원 실수 벡터의 형태를 갖는 것을 특징으로 할 수 있다.According to one side, the vector expression may be characterized in that it has the form of an N (N is a natural number greater than or equal to 2) dimensional real vector.

다른 측면에 따르면, 상기 키를 생성하는 단계는, 상기 벡터 표현의 각 성분의 값이 0 이상인 경우에는 해당 성분의 값을 1로, 각 성분의 값이 음수인 경우에는 해당 성분의 값을 0으로 대체하여 상기 벡터 표현을 벡터 양자화하여 이진 문자열을 상기 키로서 생성하는 것을 특징으로 할 수 있다.According to another aspect, in the generating of the key, when the value of each component of the vector expression is 0 or more, the value of the corresponding component is set to 1, and when the value of each component is negative, the value of the corresponding component is set to 0. Alternatively, the vector expression may be vector quantized to generate a binary string as the key.

또 다른 측면에 따르면, 상기 중복 문서를 탐지하는 단계는, 동일한 키를 갖는 문서들을 중복 문서들로서 탐지하는 것을 특징으로 할 수 있다.According to another aspect, the detecting of the duplicate document may include detecting documents having the same key as duplicate documents.

또 다른 측면에 따르면, 상기 벡터 표현을 생성하는 단계는, 상기 유사도 모델이 출력한 값과 실제 값간의 차이에 대해 부여되는 가중치를 통해 조정된 상기 유사도 모델의 손실함수를 이용하여 상기 벡터 표현을 생성하는 것을 특징으로 할 수 있다.According to another aspect, in the generating of the vector expression, the vector expression is generated using a loss function of the similarity model adjusted through a weight given to a difference between a value output by the similarity model and an actual value. It can be characterized as

또 다른 측면에 따르면, 상기 벡터 표현을 생성하는 단계는, 상기 가중치의 값을 조절함으로써 상기 벡터 표현간의 평균 거리를 조절하는 것을 특징으로 할 수 있다.According to another aspect, the generating of the vector representation may include adjusting the average distance between the vector representations by adjusting the value of the weight.

또 다른 측면에 따르면, 상기 중복 문서 탐지 방법은, 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계를 더 포함할 수 있다.According to another aspect, the method for detecting duplicate documents includes a similar document pair set including a plurality of similar document pairs having the same attribute and a dissimilar document pair including a plurality of randomly extracted dissimilar document pairs from a document database. extracting a set; calculating, by the at least one processor, a mathematical similarity using a mathematical scale for each of the plurality of pairs of similar documents and each of the plurality of pairs of dissimilar documents; by the at least one processor, increasing the mathematical similarity calculated for each of the plurality of similar document pairs and decreasing the mathematical similarity calculated for each of the plurality of dissimilar document pairs, each of the plurality of similar document pairs and calculating semantic similarity for each of the plurality of dissimilar document pairs; and training, by the at least one processor, a similarity model using the plurality of similar document pairs, the plurality of dissimilar document pairs, and the semantic similarity.

또 다른 측면에 따르면, 상기 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.According to another aspect, the attribute may include at least one of an author of the document, a posting section of the document, and a registration time range of the document.

또 다른 측면에 따르면, 상기 의미적 유사도를 계산하는 단계는, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시키고, 상기 제1 비선형 함수 및 상기 제2 비선형 함수는 상기 제1 비선형 함수가 동일한 모든 입력 값에 대해 상기 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수인 것을 특징으로 할 수 있다.According to another aspect, in the calculating of the semantic similarity, the mathematical similarity calculated for each of the plurality of similar document pairs is input to a first nonlinear function to increase, and for each of the plurality of dissimilar document pairs, inputting the calculated mathematical similarity into a second nonlinear function to reduce it, and the first nonlinear function and the second nonlinear function yield a value higher than the second nonlinear function for all input values in which the first nonlinear function is the same It can be characterized as two nonlinear functions that satisfy the condition.

컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.Provided is a computer program stored in a computer-readable recording medium in combination with a computer device to execute the method on the computer device.

상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.There is provided a computer-readable recording medium in which a program for executing the method in a computer device is recorded.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하고, 상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하고, 상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.at least one processor implemented to execute computer-readable instructions through a similarity model trained by the at least one processor to output a vector representation for documents based on semantic similarity between the documents. Obtaining a vector representation for each of the documents included in the document set, vector quantizing the vector representation to generate a key implemented as a binary string, and detecting duplicate documents among documents included in the document set through the key It provides a computer device, characterized in that.

벡터 양자화에 기초하여 문서들간의 중복 여부를 빠르게 결정할 수 있다.Based on the vector quantization, it is possible to quickly determine whether documents overlap or not.

모델이 군집화를 직접적으로 수행하도록 학습시키는 것이 아니라, 모델에 대한 문서쌍들에 대한 유사도 학습을 통해 각 문서에 대한 벡터 표현을 얻어내도록 학습한 뒤 벡터 양자화를 통해 각 문서들에 대한 해시값을 얻어냄으로써 계산 비용을 절감할 수 있다.Rather than training the model to perform clustering directly, it learns to obtain a vector representation for each document through similarity learning on document pairs for the model, and then obtains a hash value for each document through vector quantization. This can reduce the computational cost.

MD5와 같은 암호화 알고리즘보다 더 넓은 범위에서 유사한 문서들에 대하여 동일한 키 값을 얻을 수 있도록 함으로써 일부의 내용이 서로 상이한 문서들에 대해서도 중복 여부를 결정할 수 있다.By making it possible to obtain the same key value for similar documents in a wider range than an encryption algorithm such as MD5, it is possible to determine whether or not to duplicate documents with different contents.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 있어서, 유사도 모델의 학습 과정의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 문서 중복 탐지 과정의 예를 도시한 도면이다.
도 5는 본 발명의 일실시예에 있어서, 벡터 양자화의 예를 도시한 도면이다.
도 6은 본 발명의 일실시예에 있어서, 손실함수의 조정 예를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 중복 문서 탐지 방법의 예를 도시한 흐름도이다.1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
2 is a block diagram illustrating an example of a computer device according to an embodiment of the present invention.
3 is a diagram illustrating an example of a learning process of a similarity model according to an embodiment of the present invention.
4 is a diagram illustrating an example of a document duplication detection process according to an embodiment of the present invention.
5 is a diagram illustrating an example of vector quantization according to an embodiment of the present invention.
6 is a diagram illustrating an example of adjusting a loss function according to an embodiment of the present invention.
7 is a flowchart illustrating an example of a method for detecting duplicate documents according to an embodiment of the present invention.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.

본 발명의 실시예들에 따른 중복 문서 탐지 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 중복 문서 탐지 방법은 중복 문서 탐지 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 중복 문서 탐지 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 중복 문서 탐지 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.The system for detecting duplicate documents according to embodiments of the present invention may be implemented by at least one computer device, and the method for detecting duplicate documents according to embodiments of the present invention includes at least one computer device included in the system for detecting duplicate documents. can be done through The computer program according to an embodiment of the present invention may be installed and driven in the computer device, and the computer device may perform the duplicate document detection method according to the embodiments of the present invention under the control of the driven computer program. The above-described computer program may be stored in a computer-readable recording medium in combination with a computer device to execute the method for detecting duplicate documents in a computer.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention. The network environment of FIG. 1 shows an example including a plurality of electronic devices 110 , 120 , 130 , 140 , a plurality of servers 150 , 160 , and a network 170 . FIG. 1 is an example for explaining the invention, and the number of electronic devices or the number of servers is not limited as in FIG. 1 . In addition, the network environment of FIG. 1 only describes one example of environments applicable to the present embodiments, and the environment applicable to the present embodiments is not limited to the network environment of FIG. 1 .

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.The plurality of electronic devices 110 , 120 , 130 , and 140 may be a fixed terminal implemented as a computer device or a mobile terminal. Examples of the plurality of electronic devices 110 , 120 , 130 , 140 include a smart phone, a mobile phone, a navigation device, a computer, a notebook computer, a digital broadcasting terminal, a personal digital assistant (PDA), and a portable multimedia player (PMP). ), and tablet PCs. As an example, in FIG. 1 , the shape of a smartphone is shown as an example of the electronic device 110 , but in embodiments of the present invention, the electronic device 110 is substantially different from another through the network 170 using a wireless or wired communication method. It may refer to one of various physical computer devices capable of communicating with the electronic devices 120 , 130 , 140 and/or the servers 150 and 160 .

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.The communication method is not limited, and not only a communication method using a communication network (eg, a mobile communication network, a wired Internet, a wireless Internet, a broadcasting network) that the network 170 may include, but also short-range wireless communication between devices may be included. For example, the network 170 may include a personal area network (PAN), a local area network (LAN), a campus area network (CAN), a metropolitan area network (MAN), a wide area network (WAN), and a broadband network (BBN). , the Internet, and the like. In addition, the network 170 may include any one or more of a network topology including a bus network, a star network, a ring network, a mesh network, a star-bus network, a tree, or a hierarchical network, etc. not limited

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 컨텐츠 제공 서비스, 그룹 통화 서비스(또는 음성 컨퍼런스 서비스), 메시징 서비스, 메일 서비스, 소셜 네트워크 서비스, 지도 서비스, 번역 서비스, 금융 서비스, 결제 서비스, 검색 서비스 등)를 제공하는 시스템일 수 있다.Each of the servers 150 and 160 communicates with the plurality of electronic devices 110 , 120 , 130 , 140 and the network 170 through a computer device or a plurality of computers that provide commands, codes, files, contents, services, etc. It can be implemented in devices. For example, the server 150 provides a service (eg, a content providing service, a group call service (or a voice conference service) to the plurality of electronic devices 110 , 120 , 130 , and 140 connected through the network 170 ). , a messaging service, a mail service, a social network service, a map service, a translation service, a financial service, a payment service, a search service, etc.).

도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.2 is a block diagram illustrating an example of a computer device according to an embodiment of the present invention. Each of the plurality of electronic devices 110 , 120 , 130 , 140 or the servers 150 and 160 described above may be implemented by the computer device 200 illustrated in FIG. 2 .

이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.As shown in FIG. 2 , the computer device 200 may include a memory 210 , a processor 220 , a communication interface 230 , and an input/output interface 240 . The memory 210 is a computer-readable recording medium and may include a random access memory (RAM), a read only memory (ROM), and a permanent mass storage device such as a disk drive. Here, a non-volatile mass storage device such as a ROM and a disk drive may be included in the computer device 200 as a separate permanent storage device distinct from the memory 210 . Also, the memory 210 may store an operating system and at least one program code. These software components may be loaded into the memory 210 from a computer-readable recording medium separate from the memory 210 . The separate computer-readable recording medium may include a computer-readable recording medium such as a floppy drive, a disk, a tape, a DVD/CD-ROM drive, and a memory card. In another embodiment, the software components may be loaded into the memory 210 through the communication interface 230 instead of a computer-readable recording medium. For example, the software components may be loaded into the memory 210 of the computer device 200 based on a computer program installed by files received through the network 170 .

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The processor 220 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. The instructions may be provided to the processor 220 by the memory 210 or the communication interface 230 . For example, the processor 220 may be configured to execute a received instruction according to a program code stored in a recording device such as the memory 210 .

통신 인터페이스(230)은 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.The communication interface 230 may provide a function for the computer device 200 to communicate with other devices (eg, the storage devices described above) through the network 170 . For example, a request, command, data, file, etc. generated by the processor 220 of the computer device 200 according to a program code stored in a recording device such as the memory 210 is transmitted to the network ( 170) to other devices. Conversely, signals, commands, data, files, etc. from other devices may be received by the computer device 200 through the communication interface 230 of the computer device 200 via the network 170 . A signal, command, or data received through the communication interface 230 may be transferred to the processor 220 or the memory 210 , and the file may be a storage medium (described above) that the computer device 200 may further include. persistent storage).

입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.The input/output interface 240 may be a means for an interface with the input/output device 250 . For example, the input device may include a device such as a microphone, keyboard, or mouse, and the output device may include a device such as a display or a speaker. As another example, the input/output interface 240 may be a means for an interface with a device in which functions for input and output are integrated into one, such as a touch screen. The input/output device 250 may be configured as one device with the computer device 200 .

또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.Also, in other embodiments, the computer device 200 may include fewer or more components than those of FIG. 2 . However, there is no need to clearly show most of the prior art components. For example, the computer device 200 may be implemented to include at least a portion of the above-described input/output device 250 or may further include other components such as a transceiver and a database.

본 발명의 실시예들에서 "문서"는 블로그 리스팅이나 뉴스 기사, 댓글 등과 같이 임의의 작성자에 의해 웹상에 업로드된 게시물을 포함할 수 있다. 또한, "속성"은 문서에 대해 미리 정의되는 특징으로서, 일례로 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나에 기반하여 결정될 수 있다. 여기서, 문서의 게시 섹션은 하나의 서비스에서 문서들이 노출되는 섹션들에 기반할 수 있다. 일례로, 두 문서의 게시 섹션이 동일하다는 것은 하나의 서비스에서 문서들이 노출되는 복수의 게시 세션들 중 두 문서가 게시된 게시 세션이 동일한 경우를 의미할 수 있다. 작성자가 속성으로 정의되는 경우, 동일한 작성자의 두 개의 서로 다른 블로그 리스팅들은 동일 속성의 문서들로서 인식될 수 있다. 다른 예로, 작성자, 게시 섹션 및 1시간 범위가 속성으로 정의되는 경우, 동일 작성자에 의해 동일 게시 섹션에 1시간 이내에 등록된 두 개의 댓글들은 동일한 속성의 문서들로 인식될 수 있다. 또한, 문서들간의 "중복"은 두 문서가 임계값 이상의 유사도를 갖는 것을 의미할 수 있다. 예를 들어, 문서들간의 유사도의 값을 0.00 내지 1.00의 범위로 표현하고 중복을 위한 임계값이 0.95라 가정할 때, 문서 1과 문서 2간의 의미적 유사도의 값의 0.97이라면, 문서 1과 문서 2는 중복된 문서들로 결정될 수 있다. 다시 말해, 두 문서들의 내용이 서로 완전히 동일하지 않더라도 일정 이상의 유사한 내용들을 포함하는 문서들은 중복된 문서들로 결정될 수 있다.In embodiments of the present invention, a "document" may include a post uploaded on the web by an arbitrary author, such as a blog listing, a news article, or a comment. In addition, the “attribute” is a predefined characteristic of the document, and for example, may be determined based on at least one of an author of the document, a posting section of the document, and a registration time range of the document. Here, the posting section of the document may be based on sections in which documents are exposed in one service. For example, the fact that the posting sections of two documents are identical may mean that the posting sessions in which the two documents are published are the same among a plurality of posting sessions in which documents are exposed in one service. When an author is defined as an attribute, two different blog listings of the same author can be recognized as documents of the same attribute. As another example, when an author, a posting section, and a one-hour range are defined as attributes, two comments registered in the same posting section by the same author within one hour may be recognized as documents of the same attribute. Also, "duplication" between documents may mean that two documents have a similarity greater than or equal to a threshold value. For example, assuming that the value of similarity between documents is expressed in the range of 0.00 to 1.00 and the threshold for redundancy is 0.95, if the value of the semantic similarity between document 1 and document 2 is 0.97, document 1 and document 2 may be determined as duplicate documents. In other words, even if the contents of the two documents are not completely identical to each other, documents including more than a certain amount of similar contents may be determined as duplicate documents.

도 3은 본 발명의 일실시예에 있어서, 유사도 모델의 학습 과정의 예를 도시한 도면이다. 중복 문서 탐지 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 유사도 모델의 학습 과정을 처리할 수 있다.3 is a diagram illustrating an example of a learning process of a similarity model according to an embodiment of the present invention. The duplicate document detection system 300 may be implemented by the computer device 200 described above, and may process the learning process of the similarity model to be described later under the control of the processor 220 included in the computer device 200. have.

중복 문서 탐지 시스템(300)은 문서 DB(310)에 포함된 문서들간의 중복 여부를 결정할 수 있다. 이를 위해, 중복 문서 탐지 시스템(300)은 유사도 모델(320)을 학습시킬 수 있다.The duplicate document detection system 300 may determine whether documents included in the document DB 310 are duplicates. To this end, the duplicate document detection system 300 may train the similarity model 320 .

문서 DB(310)는 중복 문서 탐지 시스템(300)을 구현하는 물리적인 장치(제1 장치)에 포함되어 문서들을 제공하도록 구현될 수도 있으나, 중복 문서 탐지 시스템(300) 외부의 다른 물리적인 장치(제2 장치)에 구현되어 제1 장치와 제2 장치가 네트워크(170)를 통해 서로 통신하는 형태로 문서들을 제공하도록 구현될 수도 있다.The document DB 310 may be implemented to be included in a physical device (first device) implementing the duplicate document detection system 300 to provide documents, but another physical device ( It may be implemented in the second device) to provide documents in a form in which the first device and the second device communicate with each other through the network 170 .

중복 문서 탐지 시스템(300)은 문서 DB(310)로부터 유사 문서쌍 집합(330)과 비유사 문서쌍 집합(340)을 추출할 수 있다. 여기서, 유사 문서쌍 집합(330)은 미리 정의된 속성이 동일한 문서쌍들의 집합을 의미할 수 있으며, 비유사 문서쌍 집합(340)은 속성을 고려하지 않고 임의로(랜덤하게) 추출된 문서쌍들의 집합을 의미할 수 있다. 실시예에 따라 비유사 문서쌍 집합(340)은 미리 정의된 속성이 동일하지 않은 문서쌍들의 집합을 의미할 수도 있다. The duplicate document detection system 300 may extract a similar document pair set 330 and a dissimilar document pair set 340 from the document DB 310 . Here, the similar document pair set 330 may mean a set of document pairs having the same predefined attribute, and the dissimilar document pair set 340 is a set of document pairs extracted arbitrarily (randomly) without considering the attribute. It can mean a set. According to an embodiment, the set of dissimilar document pairs 340 may mean a set of document pairs in which predefined properties are not the same.

일 실험예에서는 1억 4천만 건의 댓글들 중 미리 정의된 속성의 문서쌍인 "동일 작성자가 동일 게시 섹션에서 1시간 이내에 작성한 문서쌍" 3500만건을 유사 문서쌍 집합(330)으로서 추출하고, 임의의 두 댓글들로 이루어진 3500만건의 문서쌍들을 비유사 문서쌍 집합(340)으로서 추출하였다. 여기서 가설 1은 두 댓글의 추출횟수가 무한대로 증가함에 따라 동일한 속성의 두 댓글의 의미가 유사할 확률 α가 임의로 추출된 두 댓글의 의미가 유사할 확률 β보다 크다는 것이고, 가설 2는 수학적 척도를 이용한 유사도(이하, 수학적 유사도)의 값이 동일하다는 가정하에, 동일한 속성의 두 댓글간의 수학적 유사도는 수학적 척도에 의해 과소평가될 확률이 높고, 임의로 추출된 두 댓글간의 수학적 유사도는 수학적 척도에 의해 과대평가될 확률이 높다는 것이다. 이러한 가설 1 및 가설 2는 일 실험예를 통해 얻어진 수학적 유사도별로 댓글들을 비교하여 확인되었다. 예를 들어, 수학적 유사도가 0.2 이하로 낮은 동일한 두 댓글들간에 의미적/주제적 유사성이 존재하는 경우의 비중이 높았으며, 역으로 수학적 유사도가 0.7 이상으로 높은 임의로 추출된 두 댓글들간에 의미적/주제적 유사성이 보이지 않는 경우의 비중이 높았다.In one experimental example, 35 million "document pairs written by the same author within 1 hour in the same posting section", which are document pairs with predefined properties, are extracted as a set of similar document pairs 330 among 140 million comments, and randomly 35 million document pairs composed of two comments were extracted as a dissimilar document pair set 340 . Here, hypothesis 1 is that as the number of extractions of two comments increases indefinitely, the probability α of similar meanings of two comments with the same attribute is greater than the probability β that the meanings of two comments randomly extracted are similar, and hypothesis 2 is that the mathematical scale Under the assumption that the values of similarity (hereafter, mathematical similarity) used are the same, the mathematical similarity between two comments with the same attribute is highly likely to be underestimated by the mathematical scale, and the mathematical similarity between the two arbitrarily extracted comments is overestimated by the mathematical scale. is more likely to be evaluated. These hypotheses 1 and 2 were confirmed by comparing the comments for each mathematical similarity obtained through an experimental example. For example, the proportion of semantic/topic similarity between two identical comments with a low mathematical similarity of 0.2 or less was high, and conversely, there was a high percentage of semantic/topic similarity between two randomly extracted comments with a high mathematical similarity of 0.7 or higher. / The proportion of cases in which thematic similarity was not observed was high.

이러한 확인된 가설에 기반하여 본 실시예에 따른 중복 문서 탐지 시스템(300)은 먼저 유사 문서쌍 집합(330)의 유사 문서쌍 각각과 비유사 문서쌍 집합(340)의 비유사 문서쌍 각각에 대해 수학적 척도를 이용하여 수학적 유사도를 계산할 수 있다. 이때, 중복 문서 탐지 시스템(300)은 계산된 수학적 유사도를 속성의 동일 여부에 따라 증가시키거나 감소시켜 문서쌍들 각각에 대한 의미적 유사도를 결정할 수 있다. 예를 들어, 유사 문서쌍 집합(330)의 유사 문서쌍 각각에 대해 계산된 수학적 유사도는 수학적 유사도의 값이 과소평가된 것으로 간주될 수 있으며, 계산된 수학적 유사도의 값을 적절하게 증가시킴으로써 의미적 유사도를 계산할 수 있다. 역으로, 비유사 문서쌍 집합(340)의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도는 수학적 유사도의 값이 과대평가된 것으로 간주될 수 있으며, 계산된 수학적 유사도의 값을 적절하게 감소시킴으로써 의미적 유사도를 계산할 수 있다.Based on this confirmed hypothesis, the duplicate document detection system 300 according to the present embodiment is first performed for each similar document pair of the similar document pair set 330 and each dissimilar document pair of the dissimilar document pair set 340 . The mathematical similarity can be calculated using a mathematical scale. In this case, the duplicate document detection system 300 may determine the semantic similarity of each of the document pairs by increasing or decreasing the calculated mathematical similarity according to whether the attributes are the same. For example, the mathematical similarity calculated for each similar document pair of the similar document pair set 330 may be considered as an underestimated value of the mathematical similarity, and the value of the calculated mathematical similarity may be appropriately increased by increasing the semantic similarity. The similarity can be calculated. Conversely, the mathematical similarity calculated for each dissimilar document pair of the dissimilar document pair set 340 may be regarded as an overestimated value of the mathematical similarity, meaning that by appropriately reducing the calculated mathematical similarity value Enemy similarity can be calculated.

보다 구체적인 예로, 중복 문서 탐지 시스템(300)은 유사 문서쌍의 수학적 유사도의 값을 제1 비선형 함수에 입력하여 유사 문서쌍의 수학적 유사도의 값을 증가시킬 수 있으며, 비유사 문서쌍의 수학적 유사도의 값을 제2 비선형 함수에 입력하여 비유사 문서쌍의 수학적 유사도의 값을 감소시킬 수 있다. 제1 비선형 함수는 유사 문서쌍에 대해서는 과소평가된 수학적 유사도의 값을 증가시키기 위한 것이고, 제2 비선형 함수는 비유사 문서쌍에 대해서는 과대평가된 수학적 유사도의 값을 감소시키기 위한 것으로, 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출한다는 조건을 만족하는 두 개의 비선형 함수들이라면 제1 비선형 함수 및 제2 비선형 함수로 활용될 수 있다.As a more specific example, the duplicate document detection system 300 may increase the value of the mathematical similarity of the similar document pair by inputting the mathematical similarity value of the similar document pair into the first non-linear function, and A value may be input into the second non-linear function to decrease the value of the mathematical similarity of the dissimilar document pair. The first nonlinear function is for increasing the value of the underestimated mathematical similarity for the similar document pair, and the second nonlinear function is for decreasing the value of the overestimated mathematical similarity for the dissimilar document pair. Two nonlinear functions satisfying the condition that the function yields a higher value than the second nonlinear function for all input values may be utilized as the first nonlinear function and the second nonlinear function.

문서쌍들에 대해 계산된 의미적 유사도는 유사도 모델(320)을 위한 정답 스코어로 간주될 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 유사 문서쌍 집합(330), 비유사 문서쌍 집합(340), 그리고 정답 스코어를 학습 데이터로 활용하여 유사도 모델(320)을 학습시킬 수 있다. 예를 들어, 유사도 모델(320)은 입력되는 문서쌍에 대해 의미적 유사도를 산출하도록 학습될 수 있다.The semantic similarity calculated for the document pairs may be regarded as a correct answer score for the similarity model 320 . For example, the duplicate document detection system 300 may train the similarity model 320 by using the similar document pair set 330 , the dissimilar document pair set 340 , and the correct answer score as training data. For example, the similarity model 320 may be trained to calculate semantic similarity with respect to the input pair of documents.

보다 구체적인 예로, 유사도 모델(320)은 입력되는 문서쌍들에 대해 출력값이 정답 스코어와의 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하도록 학습될 수 있다. 예를 들어, 유사도 모델(320)은 평균 제곱 오차를 이용한 손실함수에 출력값과 정답 스코어를 입력하여 손실이 최소화되도록 학습될 수 있다. 한편, 유사도 모델(320)로는 이미 잘 알려진 딥 러닝 모델들 중 적어도 하나가 활용될 수 있다. 예를 들어, CNN(Convolutional Neural Network)나 RNN(Recurrent Neural Network) 등이 유사도 모델(320)을 구현하기 위해 활용될 수 있다. 이 경우, 유사도 모델(320)은 문서쌍을 입력받아 0 내지 1 범위의 실수(의미적 유사도)를 출력하도록 구현될 수 있다. 출력되는 값의 범위는 하나의 예시일 뿐, 0 내지 1의 범위로 한정되는 것은 아니다.As a more specific example, the similarity model 320 may be trained to minimize a mean squared error (MSE) of an output value with respect to a correct answer score for input pairs of documents. For example, the similarity model 320 may be trained to minimize loss by inputting an output value and a correct answer score to a loss function using the mean square error. Meanwhile, at least one of well-known deep learning models may be used as the similarity model 320 . For example, a convolutional neural network (CNN) or a recurrent neural network (RNN) may be utilized to implement the similarity model 320 . In this case, the similarity model 320 may be implemented to receive a document pair and output a real number (semantic similarity) in the range of 0 to 1. The range of the output value is only an example, and is not limited to the range of 0 to 1.

학습된 유사도 모델(320)은 문서들간의 중복 여부를 탐지하기 위해 활용될 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 다수의 댓글들이 등록된 상태에서 작성자가 새로운 댓글의 등록을 요청하였을 때, 작성자의 새로운 댓글과 중복되는 댓글들을 탐지할 수 있다. 이때, 중복 문서 탐지 시스템(300)은 중복되는 댓글들이 N건 이상 탐지되는 경우, 캡차(Captcha)를 노출하여 중복되는 새로운 댓글의 무분별한 등록을 방지할 수 있다.The learned similarity model 320 may be utilized to detect whether there is overlap between documents. For example, the duplicate document detection system 300 may detect comments duplicated with the new comment of the author when the author requests the registration of a new comment in a state in which a plurality of comments are registered. In this case, the duplicate document detection system 300 may prevent indiscriminate registration of new duplicate comments by exposing a captcha when N or more duplicate comments are detected.

한편, 다른 실시예에서 유사도 모델(320)은 유사도 학습을 수행하여 앞서 설명한 의미적 유사도 대신, 각 문서에 대한 적절한 벡터 표현을 출력하도록 학습될 수 있다. 일례로, 딥러닝 기반의 문서 유사도를 측정하는 모델은 유사도를 출력하는 과정에서 양자화되기 이전의 벡터 표현을 얻어내고 두 벡터 표현 간의 거리에 의해 최종 유사도를 산출할 수 있다. 따라서 유사도 계산 과정을 함수로 보았을 때, 유사도는 종속 변수, 두 벡터 표현은 독립 변수가 될 수 있다. 결국 종속 변수를 원하는 값으로 조정하기 위해서는 독립변수인 두 벡터 표현을 적절하게 조정해야만 하며, 이에 유사도를 학습하는 과정이 곧 각 문서에 대한 적절한 벡터 표현을 얻어내는 과정과 같다고 볼 수 있다. 이에 이후 설명하는 실시예에서는 유사도 모델(320)이 의미적 유사도 대신, 각 문서에 대한 적절한 벡터 표현을 출력하도록 학습될 수 있다.Meanwhile, in another embodiment, the similarity model 320 may be trained to output an appropriate vector representation for each document instead of the above-described semantic similarity by performing similarity learning. As an example, a model for measuring document similarity based on deep learning can obtain a vector representation before quantization in the process of outputting the similarity, and calculate the final similarity by the distance between the two vector representations. Therefore, when the similarity calculation process is viewed as a function, similarity can be a dependent variable, and two vector expressions can be an independent variable. In the end, in order to adjust the dependent variable to a desired value, the two vector expressions, which are independent variables, must be appropriately adjusted, and the process of learning similarity is the same as the process of obtaining an appropriate vector expression for each document. Accordingly, in an embodiment to be described later, the similarity model 320 may be trained to output an appropriate vector representation for each document instead of the semantic similarity.

도 4는 본 발명의 일실시예에 있어서, 중복 문서 탐지 과정의 예를 도시한 도면이다. 중복 문서 탐지 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 중복 문서 탐지 과정을 처리할 수 있다.4 is a diagram illustrating an example of a duplicate document detection process according to an embodiment of the present invention. The duplicate document detection system 300 may be implemented by the computer device 200 described above, and may process a duplicate document detection process described later under the control of the processor 220 included in the computer device 200 . .

작성자가 하나의 문서를 작성할 때마다 다른 모든 작성자들의 문서들과 유사도를 비교하는 것은 매우 큰 계산 비용이 발생하게 된다. 이러한 문제를 해결하기 위한 도 3의 실시예에 따른 중복 문서 탐지 시스템(300)은 다음과 같은 방식으로 중복 문서를 탐지할 수 있다.Whenever an author writes a document, comparing the similarity with documents of all other authors causes a very large computational cost. To solve this problem, the duplicate document detection system 300 according to the embodiment of FIG. 3 may detect duplicate documents in the following manner.

우선, 중복 문서 탐지 시스템(300)은 문서 집합(410)이 포함하는 문서들(420)을 입력받아 각 문서에 대응하는 벡터 표현을 출력하도록 유사도 모델(320)을 학습시킬 수 있다. 다시 말해, 유사도 모델(320)은 문서들간의 유사도를 산출하기 위한 학습 과정에서 각 문서들을 N 차원 실수 벡터(430)로 표상(represent)시켜 벡터 표현을 출력하도록 학습될 수 있다. 이러한 유사도 모델(320)은 문서가 포함하는 내용의 의미에 기반하여 벡터를 출력하기 때문에, 문서들의 내용이 일부 다르더라도 의미가 유사한 경우, 유사한 벡터 표현을 얻을 수게 된다.First, the duplicate document detection system 300 may receive the documents 420 included in the document set 410 and train the similarity model 320 to output a vector expression corresponding to each document. In other words, the similarity model 320 may be trained to represent each document as an N-dimensional real vector 430 and output a vector expression in the learning process for calculating the similarity between documents. Since the similarity model 320 outputs a vector based on the meaning of the content included in the document, a similar vector expression can be obtained when the meaning of the documents is similar even if the content of the document is partially different.

또한, 중복 문서 탐지 시스템(300)은 유사도 모델(320)로부터 얻어지는 N 차원 실수 벡터(340)를 벡터 양자화(vector quantization)하여 이진 문자열을 생성할 수 있다. 생성되는 이진 문자열은 해당 문서의 키로서 활용될 수 있으며 키가 중복되는 문서들은 중복 문서로서 탐지될 수 있다. 예를 들어, 표(440)는 키와 해당 키에 대응하는 문서들이 서로 연계하여 저장된 모습을 나타내고 있다. 이때, 표(440)에서 동일한 키와 연계된 문서 1 및 문서 2는 중복 문서로 간주될 수 있다.Also, the duplicate document detection system 300 may vector quantize the N-dimensional real vector 340 obtained from the similarity model 320 to generate a binary string. The generated binary string may be utilized as a key of the corresponding document, and documents with duplicate keys may be detected as duplicate documents. For example, the table 440 shows a state in which a key and documents corresponding to the key are stored in association with each other. In this case, document 1 and document 2 associated with the same key in the table 440 may be regarded as duplicate documents.

도 5는 본 발명의 일실시예에 있어서, 벡터 양자화의 예를 도시한 도면이다. 제1 점선박스(510)는 임의의 문서의 텍스트 내용의 예를 나타내고 있다. 이때, 유사도 모델(320)은 해당 문서를 입력받아 제2 점선박스(520)와 같은 N(도 5의 실시예에서 N=64) 차원 실수 벡터를 출력하는 예를 나타내고 있다. 이때, 제3 점선박스(530)는 N 차원 실수 벡터를 이진 문자열로 벡터 양자화한 예를 나타내고 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 N 차원 실수 벡터의 각 성분(component)의 값이 0 또는 양수인 경우에는 '1'로, 각 성분의 값이 음수인 경우에는 '0'으로 해당 성분의 값을 대체하는 벡터 양자화를 통해 이진 벡터를 생성할 수 있다. 이때, 이진 벡터의 성분을 일렬로 나열한 바이트열이 해당 문서의 키가 될 수 있다. 이 경우, 동일한 키 값을 갖는 모든 문서는 서로 중복된 것으로 간주될 수 있다.5 is a diagram illustrating an example of vector quantization according to an embodiment of the present invention. A first dotted line box 510 represents an example of text content of an arbitrary document. In this case, the similarity model 320 shows an example of receiving a corresponding document and outputting an N (N=64 in the embodiment of FIG. 5 ) dimension real vector like the second dotted line box 520 . In this case, the third dotted line box 530 shows an example of vector quantization of an N-dimensional real vector into a binary string. For example, the duplicate document detection system 300 sets the value of each component of the N-dimensional real vector to '1' when the value of each component is 0 or a positive number, and sets the corresponding component to '0' when the value of each component is negative. A binary vector can be generated through vector quantization substituting the values of . In this case, a byte string in which the components of the binary vector are arranged in a line may be the key of the corresponding document. In this case, all documents having the same key value may be regarded as duplicates of each other.

한편, 벡터 양자화의 성능을 향상시키기 위해, 유사도 모델(320)을 위한 손실함수가 조정될 수 있다. 예를 들어, 손실함수는 아래 수학식 1에서 수학식 2와 같이 확장될 수 있다.Meanwhile, in order to improve the performance of vector quantization, the loss function for the similarity model 320 may be adjusted. For example, the loss function may be expanded as in Equation 2 in Equation 1 below.

손실함수는 신경망이 출력한 값과 실제 값간의 오차에 대한 함수로, v1, v2는 두 문서의 벡터 표현들을 의미할 수 있으며, exp(-||v1-v2||)는 유사도 모델(320)에 의하여 계산된 유사도, y는 정답 유사도를 의미할 수 있다. MSE는 평균 제곱 오차(mean squared error)를 의미할 수 있다. 알파(alpha, α)는 0 내지 1의 범위에 포함되는 실수로 중복 문서 탐지 시스템(300)은 유사도 모델(320)의 손실함수에서 α의 조절을 통해 문서의 벡터 표현간 평균 거리를 조절할 수 있다. 이때, α의 값이 0에 가까워질수록 문서들에 대한 벡터 표현간의 평균 거리가 멀어질 수 있다.The loss function is a function of the error between the value output by the neural network and the actual value. v1 and v2 can mean vector representations of two documents, and exp(-||v1-v2||) is the similarity model (320) The similarity calculated by , y may mean the similarity of the correct answer. MSE may mean mean squared error. Alpha (α, α) is a real number included in the range of 0 to 1. The duplicate document detection system 300 can adjust the average distance between vector representations of documents by adjusting α in the loss function of the similarity model 320 . . In this case, as the value of α approaches 0, the average distance between vector representations of documents may increase.

도 6은 본 발명의 일실시예에 있어서, 손실함수의 조정 예를 도시한 도면이다. 도 6은 중복 문서 탐지 시스템(300)이 유사도 모델(320)의 손실함수에서 α의 값을 감소시킴에 따라 제1 그래프(610)에 나타난 점들간의 거리에서 제2 그래프(620)에 나타난 점들간의 거리와 같이 벡터 표현간의 평균 거리가 상대적으로 멀어지는 예를 나타내고 있다. α의 활용은 문서들에 대한 벡터 표현들이 충분히 퍼져 있는 상태에서 벡터 양자화를 통한 구획화를 진행함으로써, 실제 유사도가 높은 문서들간에 동일한 키를 갖도록 하기 위함이다.6 is a diagram illustrating an example of adjusting a loss function according to an embodiment of the present invention. 6 is a point shown in the second graph 620 at the distance between the points shown in the first graph 610 as the duplicate document detection system 300 decreases the value of α in the loss function of the similarity model 320 It shows an example in which the average distance between vector expressions is relatively far apart, such as the distance between them. The use of α is to ensure that documents with high actual similarity have the same key by performing partitioning through vector quantization in a state in which vector representations of documents are sufficiently spread.

도 7은 본 발명의 일실시예에 따른 중복 문서 탐지 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 중복 문서 탐지 방법은 앞서 설명한 중복 문서 탐지 시스템(300)을 구현하는 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 7의 방법이 포함하는 단계들(710 내지 730)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.7 is a flowchart illustrating an example of a method for detecting duplicate documents according to an embodiment of the present invention. The duplicate document detection method according to the present embodiment may be performed by the computer device 200 implementing the duplicate document detection system 300 described above. In this case, the processor 220 of the computer device 200 may be implemented to execute a control instruction according to a code of an operating system included in the memory 210 or a code of at least one computer program. Here, the processor 220 causes the computer device 200 to perform steps 710 to 730 included in the method of FIG. 7 according to a control command provided by a code stored in the computer device 200 . can control

단계(710)에서 컴퓨터 장치(200)는 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득할 수 있다. 일례로, 유사도 모델은 입력되는 문서의 의미에 기반하여 문서에 대한 벡터 표현을 출력하도록 학습될 수 있다. 다시 말해, 유사도 모델은 의미적 유사도가 큰 문서들에 대해 서로 비슷한 벡터 표현을 출력하도록 학습될 수 있다. 여기서 벡터 표현은 N(N은 2 이상의 자연수) 차원 실수 벡터의 형태를 가질 수 있다.In step 710, the computer device 200 obtains a vector representation for each of the documents included in the document set through a similarity model trained to output a vector representation for the documents based on the semantic similarity between the documents. can As an example, the similarity model may be trained to output a vector representation of the document based on the meaning of the input document. In other words, the similarity model may be trained to output similar vector representations to documents with high semantic similarity. Here, the vector expression may have the form of an N (N is a natural number greater than or equal to 2) dimensional real vector.

한편, 벡터 표현을 생성함에 있어서 컴퓨터 장치(200)는 유사도 모델이 출력한 값과 실제 값간의 차이에 대해 부여되는 가중치를 통해 조정된 유사도 모델의 손실함수를 이용하여 벡터 표현을 생성할 수 있다. 이러한 가중치는 앞서 수학식 2를 통해 설명한 α에 대응할 수 있다. 이때, 컴퓨터 장치(200)는 도 6을 통해 설명한 바와 같이, 가중치의 값 α를 조절함으로써 벡터 표현간의 평균 거리를 조절할 수 있다.Meanwhile, in generating the vector expression, the computer device 200 may generate the vector expression using the loss function of the similarity model adjusted through a weight given to the difference between the value output by the similarity model and the actual value. Such a weight may correspond to α described through Equation 2 above. In this case, as described with reference to FIG. 6 , the computer device 200 may adjust the average distance between vector representations by adjusting the value α of the weight.

보다 구체적인 예로, 컴퓨터 장치(200)는 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출할 수 있다. 일례로, 문서 데이터베이스는 앞서 도 3을 통해 설명한 문서 DB(310)에 대응할 수 있으며, 유사 문서쌍 집합과 비유사 문서쌍 집합은 각각 도 3을 통해 설명한 유사 문서쌍 집합(330) 및 비유사 문서쌍 집합(340)에 대응할 수 있다. 여기서, 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함할 수 있다. 일례로, 작성자가 속성으로 정의되는 경우, 동일한 작성자의 두 개의 서로 다른 문서들은 동일한 속성을 갖는 문서들로서 인식될 수 있다. 다른 예로, 작성자, 게시 섹션 및 1시간 범위가 속성으로 정의되는 경우, 동일 작성자에 의해 동일 게시 섹션에 1시간 이내에 등록한 두 개의 문서들이 동일한 속성의 문서들로 인식될 수 있다. 비유사 문서쌍은 랜덤하게 추출되는 두 개의 문서들을 포함할 수 있으나, 실시예에 따라 랜덤하게 추출된 문서쌍들 중 동일한 속성을 갖는 문서쌍들은 비유사 문서쌍에서 제외될 수도 있다.As a more specific example, the computer device 200 extracts a similar document pair set including a plurality of similar document pairs having the same attribute and a dissimilar document pair set including a plurality of randomly extracted dissimilar document pairs from the document database. can do. For example, the document database may correspond to the document DB 310 described above with reference to FIG. 3 , and the similar document pair set and the dissimilar document pair set are the similar document pair set 330 and the dissimilar document pair set described with reference to FIG. 3 , respectively. It may correspond to the set 340 . Here, the attribute may include at least one of the author of the document, the posting section of the document, and the registration time range of the document. For example, when an author is defined as an attribute, two different documents of the same author may be recognized as documents having the same attribute. As another example, when the author, the posting section, and the one-hour range are defined as attributes, two documents registered in the same posting section by the same author within one hour may be recognized as documents of the same attribute. The dissimilar document pair may include two documents that are randomly extracted, but according to an embodiment, document pairs having the same attribute among the randomly extracted document pairs may be excluded from the dissimilar document pair.

또한, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산할 수 있다. 일례로, 컴퓨터 장치(200)는 수학적 척도로서 코사인 유사도(Cosine Similarity), 유클리드 거리(Euclidean Distance) 및 자카드 유사도(Jaccard Similarity) 중 적어도 하나를 이용하여 수학적 유사도를 계산할 수 있다.Also, the computer device 200 may calculate a mathematical similarity using a mathematical scale for each of the plurality of similar document pairs and each of the plurality of dissimilar document pairs. For example, the computer device 200 may calculate the mathematical similarity by using at least one of cosine similarity, Euclidean distance, and Jaccard similarity as a mathematical measure.

또한, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산할 수 있다. 예를 들어, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시킬 수 있다. 이 경우, 제1 비선형 함수 및 제2 비선형 함수는 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수들일 수 있다. 유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과소평가되고, 비유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과대평가됨에 대해서는 이미 자세히 설명한 바 있다. 컴퓨터 장치(200)는 과소평가된 수학적 유사도는 증가시키고, 과대평가된 수학적 유사도는 감소시켜 의미적 유사도를 계산할 수 있다. 수학적 유사도를 증가 또는 감소시키는 정도는 선택되는 제1 비선형 함수 및 제2 비선형 함수에 따라 결정될 수 있다.Also, the computer device 200 increases the mathematical similarity calculated for each of the plurality of similar document pairs and decreases the mathematical similarity calculated for each of the plurality of dissimilar document pairs, so that each of the plurality of similar document pairs and the plurality of ratios Semantic similarity can be calculated for each pair of similar documents. For example, the computer device 200 increases the mathematical similarity calculated for each of the plurality of similar document pairs by inputting it into the first nonlinear function, and increases the mathematical similarity calculated for each of the plurality of dissimilar document pairs in the second nonlinear function. It can be decremented by entering the function. In this case, the first nonlinear function and the second nonlinear function may be two nonlinear functions satisfying a condition that the first nonlinear function yields a value higher than the second nonlinear function for all input values that are the same. It has already been explained in detail that the mathematical similarity of pairs of similar documents is underestimated by the mathematical scale and that the mathematical similarity of the dissimilar document pairs is overestimated by the mathematical scale. The computer device 200 may calculate the semantic similarity by increasing the underestimated mathematical similarity and decreasing the overestimated mathematical similarity. The degree of increasing or decreasing the mathematical similarity may be determined according to the selected first non-linear function and the second non-linear function.

또한, 컴퓨터 장치(200)는 복수의 유사 문서쌍, 복수의 비유사 문서쌍 및 의미적 유사도를 이용하여 유사도 모델을 학습시킬 수 있다. 이미 설명한 바와 같이, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각을 순차적으로 유사도 모델에 입력하여 유사도 모델의 출력값과 입력된 문서쌍에 대응하는 의미적 유사도간의 평균 제곱 오차(Mean Squared Error, MSE)가 최소화되도록 유사도 모델을 학습시킬 수 있다. 이는 평균 제곱 오차를 이용한 손실함수에 유사도 모델의 출력값과 대응하는 의미적 유사도를 정답 스코어로서 입력하여 손실이 최소화되도록 유사도 모델을 학습시키는 것에 대응될 수 있다.Also, the computer device 200 may train a similarity model using a plurality of similar document pairs, a plurality of dissimilar document pairs, and semantic similarity. As described above, the computer device 200 sequentially inputs each of the plurality of similar document pairs and each of the plurality of dissimilar document pairs into the similarity model, and the average between the output value of the similarity model and the semantic similarity corresponding to the inputted document pair. A similarity model may be trained so that the mean squared error (MSE) is minimized. This may correspond to training the similarity model so that the loss is minimized by inputting the output value of the similarity model and the semantic similarity corresponding to the correct answer score to the loss function using the mean square error.

단계(720)에서 컴퓨터 장치(200)는 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성할 수 있다. 예를 들어, 컴퓨터 장치(200)는 벡터 표현의 각 성분의 값이 0 이상인 경우에는 해당 성분의 값을 1로, 각 성분의 값이 음수인 경우에는 해당 성분의 값을 0으로 대체하여 벡터 표현을 벡터 양자화하여 이진 문자열을 키로서 생성할 수 있다.In step 720, the computer device 200 may vector quantize the vector representation to generate a key implemented as a binary string. For example, when the value of each component of the vector expression is 0 or more, the computer device 200 replaces the value of the component with 1 when the value of each component is negative, and replaces the value of the component with 0 when the value of each component is negative. can be vector quantized to generate a binary string as a key.

단계(730)에서 컴퓨터 장치(200)는 키를 통해 문서 집합에 포함된 문서들 중 중복 문서를 탐지할 수 있다. 문서 집합의 문서들 각각에 대해 키가 생성되면, 컴퓨터 장치(200)는 키와 해당 문서를 서로 연관하여 저장할 수 있다. 이 경우, 동일한 키를 가진 문서들은 동일한 하나의 키와 연관하여 저장될 수 있다. 따라서, 하나의 키에 대해 복수의 문서들이 연관하여 저장된 경우, 컴퓨터 장치(200)는 해당 복수의 문서들을 중복 문서들로서 탐지할 수 있다. 다시 말해, 컴퓨터 장치(200)는 동일한 키를 갖는 문서들을 중복 문서들로서 탐지할 수 있다.In operation 730, the computer device 200 may detect a duplicate document among documents included in the document set through the key. When a key is generated for each of the documents in the document set, the computer device 200 may store the key and the corresponding document in association with each other. In this case, documents having the same key may be stored in association with the same single key. Accordingly, when a plurality of documents are stored in association with one key, the computer device 200 may detect the plurality of documents as duplicate documents. In other words, the computer device 200 may detect documents having the same key as duplicate documents.

MD5와 같은 암호화 알고리즘을 이용하는 종래기술에서는 문서의 내용이 완전히 같을 경우에만 두 문서가 같은 키 값(해시값)을 갖도록 할 수 있기 때문에, 두 문서의 내용이 일부만 다르고 나머지 대부분이 동일하더라도 중복된 문서를 탐지하지 못한다는 문제점이 있었다. 반면, 본 실시예들에 따른 중복 문서 탐지 방법에서는 문서의 내용에 대한 해시값이 아닌, 유사도 모델을 통해 문서들의 의미에 기반하여 출력되는 벡터 표현을 벡터 양자화하여 키로서 활용하기 때문에 문서의 내용이 일부 상이하더라도 의미가 유사한 문서들간에 동일한 키를 갖도록 키를 생성할 수 있게 된다. 실제 실험에서는 본 실시예들에 따른 중복 문서 탐지 방법이 MD5 대비 평균 20배 이상의 중복 댓글 탐지 건수를 기록하였으며, 99% 이상의 정확도를 달성하였다.In the prior art using an encryption algorithm such as MD5, two documents can have the same key value (hash value) only when the contents of the documents are exactly the same. There was a problem that it could not detect. On the other hand, in the method for detecting duplicate documents according to the present embodiments, the content of the document is not obtained by quantizing the vector expression output based on the meaning of the documents through a similarity model, rather than a hash value for the contents of the document, and using it as a key. It is possible to generate a key to have the same key among documents with similar meanings even though they are partially different. In an actual experiment, the duplicate document detection method according to the present embodiments recorded an average of 20 times or more duplicate comments detection compared to MD5, and achieved an accuracy of 99% or more.

이와 같이, 본 발명의 실시예들에 따르면, 벡터 양자화에 기초하여 문서들간의 중복 여부를 빠르게 결정할 수 있다. 또한, 모델이 군집화를 직접적으로 수행하도록 학습시키는 것이 아니라, 모델에 대한 문서쌍들에 대한 유사도 학습을 통해 각 문서에 대한 벡터 표현을 얻어내도록 학습한 뒤 벡터 양자화를 통해 각 문서들에 대한 해시값을 얻어냄으로써 계산 비용을 절감할 수 있다. 또한, MD5와 같은 암호화 알고리즘보다 더 넓은 범위에서 유사한 문서들에 대하여 동일한 키 값을 얻을 수 있도록 함으로써 일부의 내용이 서로 상이한 문서들에 대해서도 중복 여부를 결정할 수 있다.As such, according to embodiments of the present invention, it is possible to quickly determine whether documents overlap or not based on vector quantization. In addition, instead of training the model to perform clustering directly, it learns to obtain a vector representation for each document through similarity learning on document pairs for the model, and then learns to obtain a vector representation for each document through vector quantization. It is possible to reduce the computational cost by obtaining In addition, by enabling the same key value to be obtained for similar documents in a wider range than an encryption algorithm such as MD5, it is possible to determine whether or not to duplicate documents with different contents.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The system or apparatus described above may be implemented as a hardware component or a combination of a hardware component and a software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The medium may be to continuously store a computer executable program, or to temporarily store it for execution or download. In addition, the medium may be various recording means or storage means in the form of a single or several hardware combined, it is not limited to a medium directly connected to any computer system, and may exist distributed on a network. Examples of the medium include a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as CD-ROM and DVD, a magneto-optical medium such as a floppy disk, and those configured to store program instructions, including ROM, RAM, flash memory, and the like. In addition, examples of other media may include recording media or storage media managed by an app store that distributes applications, sites that supply or distribute various other software, and servers. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims

A method for detecting duplicate documents in a computer device comprising at least one processor, the method comprising:
obtaining, by the at least one processor, a vector representation of each of the documents included in the document set through a similarity model trained to output a vector representation of the documents based on the semantic similarity between the documents;
generating, by the at least one processor, a key implemented as a binary string by vector quantizing the vector representation; and
detecting, by the at least one processor, a duplicate document among documents included in the document set through the key;
A method for detecting duplicate documents, including

According to claim 1,
The vector expression is a duplicate document detection method, characterized in that it has the form of an N (wherein N is a natural number greater than or equal to 2) dimensional real vector.

According to claim 1,
The step of generating the key comprises:
When the value of each component of the vector expression is 0 or more, the value of the component is 1, and when the value of each component is negative, the value of the component is replaced with 0 to vector quantize the vector expression to generate a binary string Duplicate document detection method, characterized in that it is generated as a key.

According to claim 1,
The step of detecting the duplicate document comprises:
A method for detecting duplicate documents, characterized in that documents having the same key are detected as duplicate documents.

According to claim 1,
generating the vector representation comprises:
and generating the vector expression using a loss function of the similarity model adjusted through a weight given to a difference between a value output by the similarity model and an actual value.

6. The method of claim 5,
generating the vector representation comprises:
and adjusting the average distance between the vector representations by adjusting the value of the weight.

According to claim 1,
extracting a similar document pair set including a plurality of similar document pairs having the same attribute and a dissimilar document pair set including a plurality of randomly extracted dissimilar document pairs from a document database;
calculating, by the at least one processor, a mathematical similarity using a mathematical scale for each of the plurality of pairs of similar documents and each of the plurality of pairs of dissimilar documents;
By the at least one processor, increasing the mathematical similarity calculated for each of the plurality of pairs of similar documents and decreasing the mathematical similarity calculated for each of the plurality of pairs of dissimilar documents, each of the plurality of pairs of similar documents and calculating semantic similarity for each of the plurality of dissimilar document pairs; and
training, by the at least one processor, a similarity model using the plurality of similar document pairs, the plurality of dissimilar document pairs, and the semantic similarity;
Duplicate document detection method further comprising a.

8. The method of claim 7,
and the attribute includes at least one of an author of the document, a posting section of the document, and a registration time range of the document.

8. The method of claim 7,
Calculating the semantic similarity comprises:
increasing the mathematical similarity calculated for each of the plurality of similar document pairs by inputting into a first non-linear function, and decreasing the mathematical similarity calculated for each of the plurality of dissimilar document pairs by inputting into a second non-linear function;
The first nonlinear function and the second nonlinear function are two nonlinear functions that satisfy the condition that the first nonlinear function yields a value higher than the second nonlinear function for all the same input values. detection method.

A computer program stored in a computer-readable recording medium in combination with a computer device to cause the computer device to execute the method of any one of claims 1 to 9.

A computer-readable recording medium in which a computer program for executing the method of any one of claims 1 to 9 in a computer device is recorded.

at least one processor implemented to execute computer-readable instructions
including,
by the at least one processor,
Obtaining a vector representation of each of the documents included in the document set through a similarity model trained to output a vector representation of the documents based on the semantic similarity between the documents,
vector quantize the vector expression to generate a key implemented as a binary string,
Detecting duplicate documents among documents included in the document set through the key
A computer device characterized by a.

13. The method of claim 12,
The vector expression has the form of an N-dimensional real vector (where N is a natural number greater than or equal to 2).
A computer device characterized by a.

13. The method of claim 12,
by the at least one processor,
When the value of each component of the vector expression is 0 or more, the value of the component is 1, and when the value of each component is negative, the value of the component is replaced with 0 to vector quantize the vector expression to generate a binary string. generating as a key
A computer device characterized by a.

13. The method of claim 12,
by the at least one processor,
Detecting documents with the same key as duplicate documents
A computer device characterized by a.

13. The method of claim 12,
generating the vector representation comprises:
Generating the vector expression using the loss function of the similarity model adjusted through the weight given to the difference between the value output by the similarity model and the actual value
A computer device characterized by a.